Lampiran 1.1. Small Area Estimation (SAE) untuk analisis data dan indikator FSVA tingkat Provinsi 1.

1 Latar Belakang
Dewan Ketahanan Pangan (DKP) dan World Food Programme (WFP) mengembangkan bersama-sama Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA) edisi kedua. FSVA tingkat nasional tersebut telah diluncurkan oleh Presiden Republik Indonesia dan Menteri Pertanian pada tanggal 24 Mei 2010 di dalam forum pertemuan tahunan Dewan Ketahanan Pangan di Jakarta. Berdasarkan INPRES No. 1 tahun 19 Februari 2010, DKP melalui Badan Ketahanan Pangan - Kementerian Pertanian (BKP) selaku sekretariat DKP merencanakan pengembangan FSVA tingkat provinsi di mana tingkat analisisnya sampai dengan kecamatan, yang berkaitan untuk meningkatkan kemampuan dalam targeting dan efektifitas penanganan kerawanan pangan dan gizi. Tim Asistensi FSVA Pusat telah dibentuk oleh BKP pada bulan Februari 2010, dengan WFP menjadi salah satu anggota tim. WFP berkomitmen untuk menyediakan bantuan teknis pada tingkat nasional, provinsi maupun kabupaten yang meliputi proses pengumpulan data, validasi data, konsolidasi, analisis, pembuatan laporan dan pelatihan untuk pelatih (Training of Trainers-ToT). Metode Small Area Estimation (SAE) yang menghasilkan beberapa indikator merupakan salah satu metode analisis yang diperlukan dalam pengembangan FSVA tingkat provinsi. Sehubungan dengan terbatasnya kemampuan teknis metode SAE, maka DKP dan WFP telah bekerjasama dengan ahli-ahli SAE dari Badan Pusat Statistik (BPS) dan Institut Pertanian Bogor (IPB) untuk menyediakan indikator-indikator FSVA tingkat provinsi dengan menggunakan metode SAE.

1.2

Tujuan

SAE merupakan suatu metode yang menggunakan modeling untuk mengestimasi karakteristik suatu data sosial ekonomi yang memiliki tingkat agregasi tinggi (provinsi atau kabupaten) ke tingkat agregasi yang lebih rendah (kabupaten atau desa atau rumahtangga) karena terbatasnya ketersediaan data primer pada tingkat agregasi rendah. Kebutuhan terhadap metode SAE telah meningkat secara signifikan selama kurun waktu 10 tahun terakhir dan metode ini telah digunakan dan di akui secara internasional. Di Indonesia, metode SAE telah digunakan oleh BPS, Bank Dunia dan SMERU untuk menghitung angka kemiskinan pada tahun 2000 serta pengembangan Peta Gizi (Nutrition Map) oleh BPS dan WFP pada tahun 2006. Pada tahun 2010, metode SAE menjadi hal yang sangat penting untuk analisis dan pengembangan FSVA tingkat provinsi dengan level analisis sampai dengan tingkat kecamatan. Hal ini berkaitan dengan hasil review ketersediaan data untuk FSVA di Provinsi NTB, NTT dan Jawa Timur dimana beberapa data dan indikator seperti angka kemiskinan, angka harapan hidup, perempuan buta huruf, akses ke listrik, akses ke air bersih hanya tersedia pada tingkat kabupaten saja bukan pada tingkat kecamatan. Tujuan dari analisis SAE ini adalah menyiapkan data dan indikator untuk pengembangan FSVA tingkat provinsi di 33 provinsi dengan tingkat analisis sampai dengan tingkat kecamatan. Data dan indikator yang akan di analisis adalah sebagai berikut: • • • • • Persentase penduduk hidup di bawah garis kemiskinan; Persentase rumah tangga tanpa akses listrik; Persentase rumah tangga tanpa akses ke air bersih; Perempuan Buta Huruf; Angka harapan hidup pada saat lahir;

• Rata-rata konsumsi kalori per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan; dan • Rata-rata konsumsi protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan.

1.3

Dataset

Model SAE yang digunakan untuk FSVA tingkat provinsi menggunakan 3 sumber data: Survei Sosial Ekonomi (SUSENAS) KOR Juli 2007, Juli 2008 dan Juli 2009: untuk menyediakan data tentang karakteristik individu dan rumah tangga. Beberapa variabel atau karakteristik individu dan rumahtangga tersebut selanjutnya digunakan sebagai variabel penjelas (explanatory variables) atau variabel dependent dalam model. Kombinasi kedua jenis variabel tersebut digunakan dalam merunning model. Jumlah sampel SUSENAS KOR adalah sekitar 270,000 yang ditujukan untuk estimasi kabupaten/kota dan provinsi. Jumlah sampel masing-masing kabupaten/kota berbedabeda. 1

Sesuai ketersediaan data. Tahap simulasi. Karena kemampuannya dalam mengestimasi pada tingkat agregasi yang lebih rendah. Tahap pembentukan modeling dan dekomposisi komponen random. penerapan model agregasi dari suatu tingkat ke tingkat yang lebih rendah cenderung tidak reliable serta tidak representatif. Meskipun demikian. sehingga hanya bisa digunakan untuk estimasi di tingkat tertentu. yaitu: dataset populasi (PODES 2008). data sensus memiliki cakupan observasi yang menyeluruh (semua populasi) tetapi memuat informasi yang terbatas.al). Data survei pada umumnya memiliki keterbatasan dalam jumlah observasi (sampel).000 rumah tangga untuk seluruh Indonesia. Di sisi lain. data yang diperoleh dari survei dan data yang diperoleh dari sensus (pencacahan lengkap). Dalam tahap ini sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Khusus PODES 2008 ditujukan untuk persiapan Sensus Penduduk 2010. Estimasi ditujukan sampai tingkat kabupaten/kota dan provinsi.al) dapat dikembangkan estimasi indikator berupa proporsi/persentase menggunakan model berikut: (1) ln y ch = E[ln y ch / x ch ] + µ dimana c h ch : subscript untuk cluster kecamatan : subscript untuk desa/kelurahan-h pada cluster c ych : besaran indikator y pada desa-h dan cluster c xch : karakteristik rumahtangga pada desa-h dalam cluster c Aproksimasi linear dari model (1) kemudian ditulis seperti berikut: (2) ˆ ln y ch = x ch a + µ ch juga disebut sebagai Beta model 2 . Berdasarkan Elbers (et. maka untuk analisis FSVA ini digunakan beberapa jenis data. dataset survei (SUSENAS 2007-2009). 2. Untuk bisa mengaplikasikan modeling dengan menggunakan model regresi. Pada analisis FSVA ini akan digunakan metode Elbers (et. Indikator berupa proporsi dikarenakan data populasi hanya menyediakan pada tingkat agregasi (PODES 2008). 1.• SUSENAS MODUL KONSUMSI Juli 2008: untuk menyediakan data tentang rata-rata pengeluaran makanan dan rata-rata konsumsi kalori/protein per kapita yang digunakan sebagai valiabel target (target variable). PODES mencakup seluruh desa di seluruh Indonesia. Selain itu. Misalnya mengenai pengeluaran atau pendapatan. Pada tahap ini dihasilkan suatu dataset model yang akan digunakan selanjutnya. maka variabel-variabel regresor dalam model harus ada di kedua dataset (survei dan populasi). ukuran-ukuran indikator yang dihasilkan akan sangat bermanfaat untuk keperluan targeting dari program-program pemerintah ataupun kebijakan-kebijakan yang berorientasi pada tingkat wilayah kecil.4 Metode Metode indirect adalah metode yang paling sering digunakan dalam SAE karena kelebihannya dalam menggunakan berbagai sumber informasi tidak terbatas pada waktu dan cakupan wilayah. Dalam analisis FSVA ini indikator sebagai dependent variable dan berupa proporsi. Diasumsikan basic left hand side variable dan cluster adalah tingkat agregasi pada tingkat yang sedikit lebih tinggi dan digunakan dalam dataset survei dan dataset populasi (SUSENAS). Metode ini menggabungkan dua kriteria sumber data yang berbeda.al) karena sudah menyediakan aplikasi yang interaktif dan lebih efisien dalam teknisnya. data survei memiliki kelengkapan informasi yang lebih baik. Jumlah sampel masing-masing kabupaten/kota dan provinsi berbeda-beda. Metode ini memanfaatkan kelebihan dari masing-masing jenis data untuk mendapatkan estimasi dari ukuran-ukuran indikator dan ketimpangan pada tingkat yang lebih rendah. Jumlah sampel Susenas Modul adalah sekitar 270. Beberapa metode indirect yang pernah digunakan adalah metode Fay Herriot dan metode Elbers ( et. Metode SAE yang digunakan untuk FSVA terdiri dari 2 tahap: 1. Metode ini mempertimbangkan nilai bias yang signifikan karena adanya sampling error yang biasanya terjadi pada penghitungan indikatorindikator sosial yang didasarkan pada model survei. Untuk itu perlu dijalankan proses bootstrap yang dapat secara signifikan memperbaiki tingkat akurasi estimasi. Program penghitungan dimulai dengan estimasi fungsi indikator. • Potensi Desa (PODES) 2008: untuk menyediakan data pada tingkat masyarakat (desa/kelurahan) yang digunakan sebagai informasi mengenai lokasi (locational information).

Dimana A ekuivalen dengan 1. d. Melakukan matching dan penggabungan data PODES dengan data poin c. ) = σ η 2 + τ c2 Diasumsikan ηc dan εch berdistribusi normal dan independen satu sama lain. Cluster kecamatan dalam dataset survei tidak semua terwakili dan tidak didesain ke arah tersebut. e. Proses simulasi menggunakan paket program yang pernah digunakan untuk poverty mapping yaitu Povmap.05*max{ε ch2}. Dengan menggunakan arithmetic expectation dari persamaan (3) atas cluster c. Persamaan model (7) dapat mengindikasikan pengingkaran asumsi penggunaan OLS dalam model (2). Visual Foxpro. Elbers et. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variable baru data poin d. sehingga estimasi dari ηc untuk tiap cluster tidak bisa diterapkan dan diperlukan suatu model yang ditetapkan untuk mengestimasi deviasi dari ηc. c. karenanya informasi mengenai lokasi (locational information) tidak tersedia untuk semua wilayah dalam data sensus.al.4. Penyiapan Dataset 1 (data modeling): a. Mengenerate variabel baru (termasuk dummy) dari variabel SUSENAS KOR. (4) maka µ 2 c. 1. b. sehingga diperlukan regresi GLS. Mengenerate variable baru dari variable PODES pada data poin c. = η c + ε c. 2 ˆ ) + b c 2 var(τ c 2 )] µ ch Ketika locational effect ηc tidak ada. 2 E[µ c ]= σ η + var(ε c. 1. f. Membuat variabel agregasi pada level desa data poin b. dan 3 . sehingga tidak bisa secara nyata memasukkan locational variable ke dalam model survei. (3) µ ch = η c + ε ch Di sini ηc adalah komponen cluster kecamatan dan εch adalah komponen desa/kelurahan. Seluruh analisis FSVA ini menggunakan berbagai SOFTWARE diantaranya: STATA. MS Office. Residual dari persamaan (2) akan mengandung variansi locational variables. Dalam GLS variance-covariance matrix merupakan suatu diagonal block matrix.Dikarenakan tidak semua karakteristik di survei ada pada data PODES. maka untuk mengestimasi karakteristik tersebut pada agregasi yang sama dengan data PODES digunakan pooling sample dari SUSENAS Panel 2007 dan 2008 serta SUSENAS KOR Juli 2009. Estimator variansi untuk εch dapat dihitung dengan: (7)  AB(1 − B)   AB  1 ˆ ˆ σ 2 ε .al memberi suatu estimasi variansi dari distribusi locational effect: ˆ var(σ η 2 ) = (5) ∑ c [a c 2 var(µ c.1 Dataset dibedakan atas Urban dan Rural. Melakukan matching pada level rumah tangga data Susenas KOR 2007-2008 (variabel individu kepala rumah tangga dan variable rumah tangga) dan variabel indikator. Selanjutnya mengecek hasil matching. Survei hanya merupakan sub sampel dari keseluruhan populasi.ch =  + Var (r )    1 + B 2   (1 + B) 3    Dalam persamaan model (2) metode OLS digunakan untuk mengestimasi parameter model dengan asumsi klasik bahwa sisaan bersifat homocedasticity.Exe. dengan menggunakan identitas transformasi yang sudah clean.Exe/PovmapPacker. persamaan (3) kemudian menjadi = + ε ch Sesuai dengan Elbers et. sisa residual εch dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi εch dengan karakteristik h: (6)  e 2 ch  T ˆ ln   = Z ch α + rch 2  A − e ch    juga disebut Alpha model.

08. kemudian memasukkan variabel tersebut dalam model alpha (ditambah variable _Yhat_). Model *. kecamatan. Jenis atap terluas 7. dengan menggunakan identitas transformasi yang sudah clean. Lapangan pekerjaan Kepala rumah tangga 4. Status penguasaan bangunan tempat tinggal 6.09 Juli Susenas Kor 07. c.08.09 Juli Podes 08 Podes 08 Podes 08 Sumber data 11. Menyiapkan dataset 1 dan dataset 2 dalam format STATA. Hubungan dengan Kepala rumah tangga 2. Menghitung rata-rata ln y pada level kecamatan. Tingkat pendidikan Kepala rumah tangga 3. Isi file ini adalah nilai estimasi indikator pada level desa/kelurahan. b. Melakukan matching dan penggabungan pada level kecamatan data poin f dan data poin d. 2.pcf adalah file konfigurasi untuk menghasilkan output yang diinginkan. Mengenerate variable baru dari variable PODES pada data poin a (sama persis seperti poin e pada penyiapan dataset 1). OUT. dan c.08. File ikutan yang muncul adalah PLO sedangkan –vAB –r -0100 adalah option.g. Melakukan running program POVMAP dengan input PDA file yang dibaca secara otomatis dari hasil POVMAPPACKER. Dengan Dos Prompt. Selanjutnya mengecek hasil matching. Selanjutnya mengecek hasil matching. Menghitung agregat residual level kecamatan. Menyeleksi variable yang masuk dalam model beta. kab/kota. Menghitung residual dari model d.09 Juli Susenas Kor 07. Fasilitas tempat buang air besar 9. Hasil output juga dilengkapi dengan standard error hasil simulasi. Ketinggian dari permukaan laut Susenas Kor 07. Persentase rumah tangga tanpa akses listrik 1. Modelling pada Dataset 1: a. selanjutnya melakukan regresi stepwise mean ln y terhadap seluruh variabel agregat kecamatan. Melakukan regresi stepwise (ln dependent variable) terhadap seluruh variable t-tes dari data survei level desa (mean/proporsi). Output dari hasil simulasi adalah file *. Konfigurasi *.09 Juli Susenas Kor 07.08.09 Juli Susenas Kor 07. Wilayah desa berada dalam/sekitar/luar hutan 4 . Menyeleksi variabel yang masuk dalam model beta.txt adalah text file yang berisi definisi model beta dan alpha. d. dilakukan penggabungan data dengan data agregasi PODES level kecamatan menggunakan ID transformasi.08. File ikutan yang muncul adalah file PLI. Jumlah Kepala Keluarga pengguna listrik 10.08.POU yang dapat diakses dengan MS Excel. PRESC. 3. 4. Melakukan regresi stepwise kembali ln y terhadap variabel survei yang terseleksi (point b) dengan variable agregat (poin c). Jenis dinding terluas 8. Variabel yang Digunakan untuk Menggambarkan Indikator FSVA Nama Variabel dari kuesioner A.08. Menyeleksi variabel akhir yang masuk dalam model beta.09 Juli Susenas Kor 07. dan e. Simulasi Dataset 2: a. dijalankan Program POVMAPPACKER yang berfungsi menghasilkan file PDA (biasanya dihasilkan oleh SAS). Dengan file konfigurasi ini selanjutnya dapat ditentukan ukuran indikator yang ingin didapatkan.09 Juli Susenas Kor 07. Dari data poin e (data PODES) pada penyiapan dataset 1. dan provinsi. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variabel baru data poin b. b.08. Menyeleksi variable yang memiliki korelasi yang kuat (indikatornya adalah sebaran sisaan yang terpola). Penyiapan Dataset 2 (data simulasi): a.09 Juli Susenas Kor 07. Melakukan regresi ln residual kecamatan terhadap semua variabel independent. Sumber penerangan 5. b.

Jumlah Kepala Keluarga pengguna listrik 6. Jumlah pasar permanent/tidak permanen 13.09 Juli Podes 08 Podes 08 Podes 08 Susenas Kor 07. Fasilitas tempat buang air besar 5. Sumber air minum (air bersih = air kemasan/ air isi ulang/leding meteran/leding eceran/ sumur bor.09 Juli Susenas Kor 07. sementara tidak bekerja 7.09 Juli Susenas Kor 07.08. Proporsi penduduk/Kepala Keluarga bekerja di pertanian 14.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Ketinggian dari permukaan laut 7.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08.09 Juli Susenas Kor 07. Persentase rumah tangga tanpa akses ke air bersih 1.08.08.08.08. Jumlah keluarga penerima ASKESKIN 1 tahun yang lalu 5 .09 Juli Susenas Kor 07. Hubungan dengan kepala rumahtangga 4.08. Apakah punya pekerjaan/usaha.08.09 Juli Susenas Kor 07. Status penguasaan bangunan tempat tinggal 4.09 Juli Susenas Kor 07.dll Sumber data Podes 08 Podes 08 Podes 08 14.08. Rata-rata pengeluaran makanan/kapita/bulan 10.08.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Podes 08 Podes 08 9. Jenis kelamin 3. Lapangan usaha utama 8. Rata-rata konsumsi protein/kapita/bulan 12.Nama Variabel dari kuesioner 12.09 Juli Susenas Kor 07. Jumlah Rumah Tangga yang menggunakan telepon B. Jenjang pendidikan yg pernah/sedang diduduki 2.08.08.08.09 Juli Podes 08 Podes 08 1.08. Jumlah minimarket/restoran/toko. Rata-rata konsumsi kalori/kapita/bulan 11.09 Juli Susenas Kor 07. Wilayah desa berada dlm/sekitar/luar hutan C.08. Sumber penerangan 3.09 Juli Susenas Kor 07.08.08.08. Status/kedudukan dalam pekerjaan utama Susenas Kor 07. Persentase penduduk hidup di bawah garis kemiskinan Susenas Kor 07. Jumlah anggota rumahtangga 5.08.08. Perempuan Buta Huruf Umur Dapat membaca dan menulis Hubungan dengan Kepala rumah tangga Tingkat pendidikan Kepala rumah tangga Lapangan pekerjaan Kepala rumah tangga Sumber penerangan Status penguasaan bangunan tempat tinggal Jenis atap terluas Jenis dinding terluas Fasilitas tempat buang air besar Jumlah Kepala Keluarga pengguna listrik Ketinggian dari permukaan laut D.09 Juli Susenas Kor 07.pompa/sumur terlindung) 2.09 Juli Susenas Kor 07.08. Rata-rata pengeluaran non makanan/kpt/bln 13.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Apakah melakukan kegiatan smg terakhir 6.

Total pengeluaran makanan sebulan 2.09 Juli Susenas Kor 07. Total pengeluaran minyak & lemak sebulan 8. sdh meninggal 5. Total pengeluaran telur & susu sebulan 6. Proses pengambilan berulang ini dalam teknik penarikan sampel dapat disamakan dengan proses membuat all possible sample (seluruh kemungkinan sampel yang terpilih). Pada survei sampel terjadi kesalahan antara lain karena metode sampling yang tidak tepat (sampling error) dan kesalahan yang disebabkan oleh faktor manusia seperti kesalahan yang disebut pada butir a (non sampling error). Total pengeluaran sayur/kacang/buah sebulan 7. Pada sensus terjadi adanya kesalahan seperti salah isian dan pengolahan atau karena responden dan petugas yang cukup banyak. dan b. Jumlah anak kandung dilahirkan. Berapa kali mendapat imunisasi F.08. Makin besar sampel berarti makin banyak responden dan petugas sehingga kemungkinan makin besar kesalahan pada pengumpulan informasi. masih hidup 4. Angka harapan hidup pada saat lahir 1. Penduga untuk nilai Standard Error yang merupakan indikator untuk Sampling Error diperoleh dari nilai standard deviasi dari indikator seluruh kemungkinan sampel yang disimulasi.09 Juli Susenas Kor 07. Sampling Error (Standard Error) dalam SAE Seperti yang dijelaskan sebelumnya.08.08. Umur saat perkawinan pertama 2. Keseimbangan antara keduanya perlu dipertimbangkan dalam mendesain suatu survei terutama dalam penentuan besarnya sampel sehingga dapat menggambarkan populasi.08.09 Juli Susenas Kor 07.5 Hasil dan Realibilitas SAE Sampling Error (Standard Error) dan Non Sampling Error dalam Survei/Sensus Ada beberapa kesalahan (Error) dalam kegiatan survei atau sensus. bahwa dalam tahap simulasi sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Variabel yang dibootstrap adalah variabel dependent atau variabel indikator yang diestimasi. Total pengeluaran padi-padian sebulan 3. Nilai indikator sendiri diperoleh dari rata-rata seluruh indikator kemungkinan sampel tersebut. sedangkan pada survei sampel terjadi kesalahan yang bersumber dari sampling error (standard error) dan non sampling error.09 Juli Susenas Kor 07.08. Penolong kelahiran terakhir 7. Kenaikan besaran sampel akan menurunkan sampling error tetapi sebaliknya akan memperbesar non sampling error.09 Juli Susenas Kor 07.Nama Variabel dari kuesioner E. lahir hidup 3. Pada registrasi dan sensus lengkap tidak dijumpai kesalahan yang disebabkan karena penarikan sampel. Total pengeluaran ikan/udang/cumi/kerang/ daging sebulan 5. Rata-rata konsumsi kalori/protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan 1.09 Juli Susenas Kor 07. Total pengeluaran umbi-umbian sebulan 4.08. Jumlah anak kandung dilahirkan. seperti: a.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli 1. Penolong kelahiran pertama 6.08. Dalam hal ini indikator tersebut seperti persentase rumah tangga yang tidak ada akses listrik dan persentase rumah tangga tanpa air bersih. Total pengeluaran makanan & non makan sebulan Sumber data Susenas Kor 07. Daftar isian yang kurang baik pada survei atau sensus atau daftar isian dengan variabel yang terlalu rinci akan menyebabkan tingginya kesalahan akibat faktor manusia. Jumlah anak kandung dilahirkan. 6 .

Banjar 04. Hulu Sungai Tengah 08. Tapin 06. Lubuk Linggau 8 18 18 12 18 11 11 10 13 16 2 0 2 4 3 3 0 3 5 3 0 4 9 7 0 5 2 1 1 2 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 20%-40% > 40% Persentase rumah tangga tanpa akses ke air bersih (Daerah Pedesaan/rural) Kalimantan Selatan 01. Musi Banyuasin 07. Ogan Komering Ulu Selatan 09. Empat Lawang 71. Banjar Baru 9 3 12 13 10 9 10 7 10 4 6 0 0 0 17 7 4 2 2 1 3 2 6 2 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Sumatera Selatan 01. Muara Enim 04. Tanah Laut 02.1): Tabel 6. Balangan 71. Ogan Komering Ulu 02. Muara Enim 04. maka dijelaskan jumlah kecamatan menurut beberapa indikator dan range standard error pada kabupaten di 2 provinsi sebagai contoh (lihat tabel 6. Banyuasin 08. Barito Kuala 05. Banjarmasin 72. Ogan Ilir 11.Untuk melengkapi laporan metodologi dan sebagai gambaran umum.1. Hulu Sungai Selatan 07. Lahat 2 1 3 1 1 2 0 0 1 3 2 1 7 . Kota Baru 03. Tabalong 10. Ogan Komering Ulu 02. Musi Rawas 06. Ogan Komering Ilir 03. Tanah Bumbu 11. Ogan Komering Ulu Timur 10. Ogan Komering Ilir 03. Hulu Sungai Utara 09. Lahat 05. Pagar Alam 74. Palembang 72. Jumlah Kecamatan berdasarkan Range Standard Error 2 Indikator di 2 Provinsi Range Standard Error Indikator Provinsi/Kabupaten/Kota < 20% Persentase rumah tangga tanpa akses listrik (Daerah Pedesaan/rural) Sumatera Selatan 01. Prabumulih 73.

Balangan 71. Tanah Laut 02. Banjar Baru 0 1 1 1 1 3 1 1 1 2 0 5 0 3 0 2 2 1 1 1 4 2 1 1 0 5 0 0 1 1 0 2 0 0 1 1 0 0 0 Catatan: Daerah urban/rural berdasarkan desa/kelurahan dalam kecamatan. Ogan Komering Ulu Selatan 09. Ogan Komering Ulu Timur 10. Banyuasin 08.05. Musi Rawas 06. Meskipun tabel diatas kondisi pada 2 provinsi. jadi jumlah kecamatan urban/rural adalah tidak selalu sama. Tapin 06. Palembang 72. Hulu Sungai Utara 09. dan beberapa diatas 40%. Hulu Sungai Tengah 08. Ogan Ilir 11. Berdasarkan tabel diatas dapat diambil kesimpulan. Empat Lawang 71. Relatif sebagian kecil berada diantara 20-40%. Banjarmasin 72. dimana sebagian besar berada di bawah 20%. Prabumulih 73. diantaranya adalah nilai standard error untuk beberapa indikator (Persentase rumah tangga tanpa akses listrik dan persentase perempuan buta huruf) secara umum baik di daerah perkotaan (urban) dan pedesaan (rural) relatif cukup baik. Hulu Sungai Selatan 07. Pagar Alam 74. Kota Baru 03. tapi setidaknya sudah dapat memberikan contoh bagaimana nilai akurasi atau standard error pada level kecamatan. Tabalong 10. Musi Banyuasin 07. Barito Kuala 05. Banjar 04. 8 . Lubuk Linggau 0 1 1 0 1 1 0 11 1 1 4 0 0 3 2 1 2 1 5 3 1 3 1 1 0 1 0 0 0 0 0 0 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Kalimantan Selatan 01. Tanah Bumbu 11.

9 .

Sign up to vote on this title
UsefulNot useful